最优滤波2_37130314.pptVIP

主要内容： 随机数字信号的基础知识（3学时） 估计理论基础和最优滤波器（6学时） 功率谱估计（9学时） 自适应信号处理（12学时） 高阶谱分析（6学时） 短时傅立叶变换和小波变换（9学时） 估计理论基础和最优滤波器： 估计理论基础： 估计问题和Cramer-Rao下界 最大似然估计 Bayesian估计 线性Bayesian估计器 最优滤波器： Wiener滤波器 最优线性预测 Kalman滤波 经典估计问题： 已知一组观测数据x1, x2 … xN， ?是与该观测数据有关的一个未知的确定性参数，如果某函数g(x1, x2 … xN)可以用来确定?的可能取值，则称g(x1, x2 … xN)为?的一个估计子，记作： 估计子的性能： 无偏性 无偏、有偏、渐近无偏 一致性 N趋于无穷大时，估计子以概率1收敛于真值 有效性 均方误差是比较估计子性能的根本依据 最小方差无偏估计器（MVU) 无偏估计子的理想情况 Cramer - Rao 下界： Cramer – Rao定理（无偏估计子的方差存在下界）： 令x = [x1, x2 ... xN]为一观测样本向量，p(x; ?)是x含参量?的概率密度函数。若 是?的一个无偏估计子，且 ?p(x; ?)/??对所有?存在，则： 当且仅当 时等号成立。 =g(x)是一个MVU，且 。 估计理论基础和最优滤波器： 估计理论基础： 估计问题和Cramer-Rao下界 最大似然估计 Bayesian估计 线性Bayesian估计器 最优滤波器： Wiener滤波器 最优线性预测 Kalman滤波 最大似然估计(MLE)： 估计准则：出现观测数据的概率最大 对于一组观测数据x1, x2 … xN， ?的可能取值 应满足： 其中： p(x; ?)称为似然函数； ln p(x; ?)称为对数似然函数。 由此得到的估计子就是最大似然估计子。 优化方法： Bayesian估计： 估计准则：假设所估计的参数?是个随机变量，概率密度函数为p(?)，定义Bayesian风险函数为： 则Bayesian估计的准则为： Bayesian风险函数的形式： 最小均方误差Bayesian估计： 最小绝对误差Bayesian估计： 最大后验概率Bayesian估计（hit-or-miss准则）： 线性Bayesian估计器： 估计准则：假设将所估计的参数?限制在一个线性估计器，即： 通过选择系数集 ，使达到Bayesian MSE估计，即： 优化方法： 两步优化＋导数等于0 线性Bayesian估计器的求解结果： 估计理论基础和最优滤波器： 估计理论基础： 估计问题和Cramer-Rao下界 最大似然估计 Bayesian估计 线性Bayesian估计器 最优滤波器： Wiener滤波器 最优线性预测 Kalman滤波 Wiener滤波器问题的提出： Wiener滤波器的分类： 根据所求的滤波器系数的个数，Wiener滤波器可以分为： 有限冲激响应FIR Wiener滤波器 无限冲激响应IIR Wiener滤波器 从估计理论观点导出FIR Wiener滤波： 问题的定义：假设信号、滤波器权值均为实数。 FIR Wiener滤波的求解： Wiener-Hopf方程： 从正交性原理观点分析FIR Wiener滤波器： 讨论复数形式Wiener滤波器的问题： 从正交性原理观点分析FIR Wiener滤波器： 从正交性原理观点分析FIR Wiener滤波器： 从正交性原理观点分析FIR Wiener滤波器： 正交性原理： 推论： 由正交性原理得到Wiener-Hopf方程： FIR Wiener滤波器的最小均方误差： FIR Wiener滤波器的误差性能表面： Wiener滤波器的分类： 根据所求的滤波器系数的个数，Wiener滤波器可以分为： 有限冲激响应FIR Wiener滤波器 无限冲激响应IIR Wiener滤波器 IIR Wiener滤波器的设计： 非因果条件下，考虑实信号情况，Wiener-Hopf方程（正交性原理）： IIR Wiener滤波器的设计： 因果条件下IIR Wiener滤波器（实信号情况）： 其中： Wiener滤波器的讨论： 非因果IIR Wiener滤波器能达到最小的均方估计误差，但它是不可实现的； 对于一个给定问题，选择适当阶数的FIR滤波器可能得到与因果IIR滤波器非常接近的性能；